Keragaman Hidrokimia Perunut hidrokimia sebagai indikator kinerja pengelolaan DAS studi kasus DAS Ciliwung Hulu

satu perunut, c Konsentrasi perunut dalam seluruh komponen secara temporal temporally konstan atau keragamannya diketahui, d Konsentrasi perunut dalam seluruh komponen secara ruang spatially konstan atau diperlakukan sebagai komponen yang berbeda, dan e Komponen yang tidak terukur memiliki konsentrasi perunut yang sama atau tidak berkontribusi secara nyata. Model campuran dari perspektif geometrik memiliki karakter sebagai berikut: 1 Untuk model dengan 2 perunut dan 3 komponen, mixing antara sub ruang ditentukan oleh 2 perunut, 2 Jika diplotkan, 3 komponen puncak dari segitiga dan seluruh contoh aliran harus terikat oleh segitiga, 3 Jika tidak terikat dengan baik, berarti perunut tidak konservatif atau komponen tidak terkarakterisasi dengan baik. Beberapa peneliti telah mengidentifikasi sumber limpasan secara spasial di dalam DAS melalui penggunaan tool seperti EMMA, pemisahan hidrograf berdasarkan perunut, dan analisis hidrometrik Bernal et al 2006, Burns et al 2001, Hangen et al 2001, McGlynn and McDonnell 2003, Subagyono et al 2005, Wenninger et al 2004. Penelitian-penelitian tersebut telah berhasil mengkuantifikasi sejumlah runoff dari sumber source yang berbeda dan juga menunjukkan kontribusi yang berbeda dengan kondisi kelembaban yang berbeda di dalam DAS Burns et al 2001, McGlynn and McDonnell 2003. Bahkan Cary et al 2011 telah berhasil mengidentifikasi sumber limpasan menjadi empat komponen menggunakan silikat dan chlor. Identifikasi sumber runoff dari unit DAS penting karena : a membantu dalam mengembangkan model pengelolaan DAS yang lebih realistik, b membantu mengidentifikasi sumber kunci sumber polutan, c membantu evaluasi yang lebih baik tentang pengaruh perubahan penggunaan lahan terhadap kualitas air. Pendekatan deliniasi sumber air dengan menggunakan analisis neraca air belum memberikan jawaban yang definitif. Kombinasi menggunakan data hidrokimia dan hidrometrik sudah memberikan masukan terhadap model hidrologi daerah aliran sungai. EMMA sudah dapat mengidentifikasi komponen-komponen yang berkontribusi terhadap aliran Mulholland 1993, Tardy et al 2004. Metode ini merupakan metode analisis campuran sederhana untuk mengidentifikasi end member yang berkontribusi terhadap aliran dan memiliki komposisi kimia yang berbeda dan relatif konstan Mulholland 1993. Ketidak teraturan separasi hidrograf secara geokimia mixing approach sangat besar karena: 1 adanya keragaman karakteristik kimia dari end member secara spasial dan temporal, dan 2 kimia air sungai tergantung pada jalur aliran dimana air itu mengalir menuju sungai. Dalam hal ini pemahaman tentang jalur aliran yang dominan dan bagaimana perubahan yang terjadi selama hujan sangat penting dalam memahami proses limpasanrunoff generation. 6.2 Analisis Multivariate Dalam melakukan EMMA sesuai dengan prosedur yang telah digunakan oleh Hooper 2001, Christophersen dan Hooper 1992, dan Burns et al. 2001, setelah menyusun set data dan melakukan normalisasi terhadap data yang ada, tahap selanjutnya adalah analisis multivariate dengan menggunakan analisis komponen utama PCA:Principal Component Analysis. Analisis multivariate banyak digunakan dalam penelitian geokimia Jo¨reskog et al., 1976; Reid et al., 1981; Davis, 1986. Manfaat analisis ini dalam EMMA yaitu: a untuk memilih end-members, b merupakan masukan dalam model campuran mixing model, c hasilnya dapat diuji, d memberikan hasil yang tepat dengan alasan yang benar, dan e dapat memberi tahu jika end-member tidak benar. Analisis komponen utama merupakan salah satu teknik statistik yang digunakan untuk mengidentifikasi peubah baru yang mendasari data peubah ganda, menghilangkan masalah multikolinieritas peubah yang saling berkorelasi dan menghilangkan paubah-peubah asal yang memberikan sumbangan informasi yang relatif kecil Iriawan dan Astuti 2006. Sumbangan keragaman ditunjukkan oleh proportion dalam eigen analysis of the covarian matrix. Dalam principal komponen, apabila sebagian besar total variasi populasi sekitar 80-90 untuk jumlah variabel yang besar dapat diterangkan oleh 2 atau 3 komponen utama principal component, PC, maka kedua atau ketiga komponen dapat menggantikan variabel semula tanpa menghilangkan banyak informasi. Dalam penelitian ini analisis multivariate dengan menggunakan PCA adalah untuk menguji model campuran aliran kimia air menggunakan solute K, Na, Ca, Mg, SiO 2 , SO 4 , NO 3 , Cl, dan HCO 3 terhadap beberapa sumber limpasan seperti air tanah, air bumi, air sungai, dan air hujan. Pada Tabel 7 disajikan eigenvalue yang merupakan nilai varian komponen utama. Hasil analisis menunjukkan eigenvalue untuk komponen utama pertama F1 dan kedua F2 masing-masing sebesar 5.070 dan 3.001. Eigenvalue kedua komponen utama mewakili 56.3 dan 33.3 dari seluruh variabilitas. Bila diakumulasikan, kedua komponen utama menyatakan 89.6 dari total variabilitas. Ini berarti apabila kesembilan variabel K, Na, Ca, Mg, Si, SO 4 , NO 3 , Cl, dan HCO 3 direduksi menjadi 2 variabel, maka kedua variabel baru dapat menjelaskan 89.6 dari total variabilitas kesembilan variabel. Tabel 8. Hasil eigenvalue dengan sembilan variabel K, Na, Ca, Mg, SiO 2 , SO 4 , NO 3 , dan HCO 3 F1 F2 F3 F4 F5 Eigenvalue 5.070 3.001 0.661 0.153 0.115 Variabilitas 56.3 33.3 7.3 1.7 1.3 Kumulatif 56.3 89.6 97.0 100 100 Pada Tabel 9 disajikan korelasi Pearson’s, angka-angka positif yang ditulis tebal menunjukkan adanya hubungan yang tinggi antar unsur yang satu dengan yang lainnya. Sebaliknya angka-angka negatif yang ditulis tebal menunjukkan adanya hubungan berbanding terbalik yang tinggi antar unsur yang satu dengan yang lainnya. Kation K dengan SiO 2 , Na dengan Mg, Ca dengan Mg dan HCO 3 , serta Mg dengan HCO 3 menunjukkan hubungan yang tinggi satu dengan yang lainnya, sedangkan K dengan Cl, Na dengan SO 4 dan NO 3 , Mg dengan SO 4 dan NO 3 memiliki hubungan berbanding terbalik. Gambar 27 menunjukkan hubungan faktor 1 dengan faktor 2. Jika variabel satu dengan yang lainnya saling berdekatan berarti nyata berkorelasi positif r mendekati 1, sedangkan jika orthogonal berarti tidak berkorelasi r mendekati nol. Jika variabel Kompone n Pe rtama K o m p o n e n k e d u a 0,5 0,4 0,3 0,2 0,1 0,0 -0,1 -0,2 -0,3 -0,4 0,50 0,25 0,00 -0,25 -0,50 HCO3 Cl NO3 SO4 SiO2 Mg Ca Na K tertentu terletak berlawanan arah dari pusat, berarti variabel tersebut nyata berkorelasi negatif dengan variabel lainnya r mendekati -1. Dari Gambar 25 dapat dilihat bahwa SiO2 dan K, Ca dan HCO3, SO4 dan NO3 memiliki hubungan positif , sedangkan SO 4 dan NO 3 yang letaknya bersebrangan dari titik pusat menunjukkan adanya korelasi negatif dengan Na, Mg, Ca, dan HCO 3 . Tabel 9 . Korelasi Pearson’s Variabel K Na Ca Mg SiO 2 SO 4 NO 3 Cl HCO 3 K 1 Na 0,491 1 Ca -0,150 0.660 1 Mg 0,141 0.931 0.792 1 SiO 2 0,933 0.638 0.113 0.334 1 SO 4 -0,337 -0.771 -0.347 -0.741 -0.273 1 NO 3 -0,564 -0.943 -0.641 -0.826 -0.642 0.804 1 Cl -0,864 -0.055 0.428 0.298 -0.798 -0.172 -0.115 1 HCO 3 -0.213 0.739 0.911 0.923 0.011 -0.576 -0.650 0.589 1 Angka yang ditulis tebal menunjukkan berbeda nyata dengan derajat nyata =0.05 Gambar 25 Grafik hubungan antara faktor 1 dan faktor 2 untuk melukiskan keeratan antar unsur hidrokimia

6.3 Analisis Campuran secara Hidrokimia

Untuk menguji bahwa kimia air dari sumber air yang menuju sungai menyebar di dalam plot kimia air sungai, data kimia air sungai diproyeksikan ke dalam mixing subspacesubruang ruang segitiga yang terikat oleh ketiga end member. Set data hidrokimia tersebut diproyeksikan terhadap data hidrokimia sungai. Pencampuran hidrokimia dapat terjadi dengan baik apabila data hidrokimia sungai terikat dengan baik dalam tiga ikatan end member. Menurut Hooper 2001, dengan menggunakan model regresi, pencampuran yang baik di dalam subruang ditunjukkan oleh pola acak dari residual terhadap konsentrasi masing-masing unsurnya. Plot residual konsentrasi setiap solute terhadap konsentrasi air sungai Gambar 26 menunjukkan adanya pola acak pada K, Ca, Mg, Na, dan HCO3, hal ini menggambarkan adanya mixing yang baik dalam subruang. -2 -1 1 2 3 0,5 1 1,5 2 2,5 3 R es id ua l m g L -1 Konsentrasi mg L- 1 K + -6 -4 -2 2 4 6 3 6 9 12 R es id ua l m g L -1 Konsentrasi mg L -1 Na -6 -4 -2 2 4 6 8 10 10 20 30 40 R es id ua l m g L - 1 Konsentrasi mg L -1 Ca -1,2 -0,8 -0,4 0,4 0,8 2 4 6 8 R es id ua l m g L -1 Konsentrasi mg L -1 Mg -10 -8 -6 -4 -2 2 4 3 6 9 12 15 R es id ua l m g L -1 Konsentrasi mg L -1 NO3 -4 -3 -2 -1 1 2 3 4 2 4 6 8 10 R es id ua l m g L - 1 Konsentrasi mg L -1 SO4 Gambar 26 Plot residual konsentrasi masing-masing unsur terhadap konsentrasi air sungai Untuk mengetahui validitas EMMA atau mengetahui fit terbaik dari data kimia air yang diprediksi dengan EMMA dengan konsentrasi terukur pada saat pengamatan selama kejadian hujan dilakukan analisis regresi linier. Hasil pengujian disajikan pada Gambar 27. Dari 9 unsur kimia yang diamati, unsur Na, Ca, Mg, SO 4 , Cl, dan HCO 3 memiliki R 2 yang tinggi antara hasil pengamatan dan pendugaan berkisar antara 0.73 sampai 0.96. Nilai R 2 terbaik dicapai oleh Natrium, sedangkan empat unsur lain yaitu K, SiO 2 , NO 3 , dan Cl, memiliki R 2 yang rendah. Nilai R 2 antara prediksi EMMA dengan hasil pengukuran yang berkisar antara 0.73 dan 0.96 tersebut menunjukkan bahwa tiga komponen terpilih berdasarkan EMMA merupakan prediktor konsentrasi pelarut yang kuat seperti dikemukakan oleh Inamdar and Mitchell 2006b. -16 -12 -8 -4 4 8 12 5 10 15 20 25 30 R es id ua l m g L -1 Konsentrasi mg L -1 Si -8 -6 -4 -2 2 4 6 8 10 2 4 6 8 10 R es id ua l m g L -1 Konsentrasi mg L -1 Cl -20 -10 10 20 30 40 50 10 20 30 40 50 60 70 80 90 100 R es id ua l m eq L -1 Konsentrasi meq L -1 HCO3